De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag. Intervalprognoses geven een schatting van de mogelijke toekomstige vraag (dwz de vraag heeft een 90% kans tussen 50 – 100 eenheden). Probabilistische voorspellingen gaan een stap verder en geven aanvullende informatie. Meer weten is altijd beter dan minder weten en de probabilistische prognose levert die extra informatie die zo cruciaal is voor voorraadbeheer. Deze videoblog van Dr. Thomas Willemain legt elk type voorspelling en de voordelen van probabilistische voorspelling uit.
[inbound_button font_size=”20″ color=”#00a429″ text_color=”#ffffff” icon=”” url=”http://www.screencast.com/t/Ut4I5dOY8″ width=”” target=”_blank”]Nu kijken [/inkomende_knop]
Puntvoorspelling (groen) laat zien wat er het meest waarschijnlijk zal gebeuren. De Intervalvoorspelling toont het bereik (blauw) van mogelijkheden.
Waarschijnlijkheidsvoorspelling toont de waarschijnlijkheid dat elke waarde voorkomt
gerelateerde berichten
Hebben uw statistische prognoses last van het wiggle-effect?
Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:
Hoe om te gaan met statistische prognoses van nul
Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?
Het artikel van Smart Software heeft de 1e plaats gewonnen in de categorie 2022 Supply Chain Brief MVP Awards Forecasting!
Smart Software is verheugd aan te kondigen dat ons artikel “Managing Inventory amid Regime Change” de 1e plaats heeft gewonnen in de categorie Forecasting van de 2022 Supply Chain Brief MVP Awards.
recente berichten
De top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelenWe komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
Hoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethodenDeze blog legt uit hoe elk voorspellingsmodel werkt met behulp van tijdgrafieken van historische en voorspellingsgegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen. […]
Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanningBij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
Wat te doen als een statistische prognose geen steek houdtSoms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de prognose er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten. […]
Het plannen van reserveonderdelen is niet zo moeilijk als u denktBij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO
- De top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelenWe komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
- Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanningBij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
- Het plannen van reserveonderdelen is niet zo moeilijk als u denktBij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
Servicegestuurde planning voor bedrijven met serviceonderdelenPlanning van serviceonderdelen op basis van serviceniveau is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen. […]
